【智能优化算法】蜉蝣算法（Mayfly Algorithm，MA), 2020

前言

蜉蝣算法（Mayfly Algorithm,MA）是由Konstantinos Zervoudakis于2020年提出的一种新型智能优化算法，该算法模拟了蜉蝣的飞行行为和交配过程，综合了群体智能和进化算法的优势。

截止到 2023 年，算法引用趋势

1. 蜉蝣相关的生物群行为

蜉蝣是蜉蝣目昆虫，在从卵中孵化出来后，蜉蝣幼虫肉眼可见，它们要花几年的时间作为水生若虫生长，直到成年后才可以上升到水面。成年蜉蝣在完成繁殖的最终目标前只能存活几天时间。为了吸引雌性，大多数成年雄性会聚集在水面上方几米的地方，通过特有的上下运动模式来表演一种婚礼舞蹈>雌性飞入这些种群中以与空中的雄性交配。交配可能只持续几秒钟，当交配完成后，雌性把卵排到水面上，以延续下一代。

蜉蝣算法就是受上述启发而提出的一种新型优化算法， 其可以认为是粒子群优化算法的一种改进，综合了粒子群PSO、遗传算法GA和萤火虫算法FA的各大优势。

假设：

1. 蜉蝣从卵中孵化出来就已经是成虫，无论活多久，最适应的蜉蝣都能存活下来；
2. 每只蜉蝣在搜索空间中的位置代表了问题的一个可行解；
3. 初始时，随机生成两个蜉蝣种群，分别代表雄性和雌性种群，即每只蜉蝣作为一个候选解被随机置于问题空间中，该候选解可通过一个$d$维向量$x=(x_1,\cdots ,x_d)$)来表达，且其性能可根据预定义的目标函数$f(x)$评估得到;
4. 蜉蝣的速度定义为其位置的变化，飞行方向是个体和社会飞行经验的动态交互。特别地，蜉蝣会根据当前的个体最优位置（$\text{pbest}$）以及当前种群的最优位置（$\text{gbest}$）调整其轨迹。

2. 算法仿生设计

2.1 雄性蜉蝣的移动

雄蜉蝣的群居，意味着每只雄蜉蝣的位置是根据自己的经验和邻居的经验调整的。假设$x_i^t$是在第$t$次迭代，蜉蝣$i$在搜索空间中的当前位置，通过在当前位置上添加一个速度$v_i^{t+1}$
$$x_i^{t+1}=x_i^t+v_i^{t+1}\text{\hspace{1em}(6)}$$

考虑到雄性蜉蝣总是在靠近水面的地方斗舞，所以飞行速度并不会很快，且它们是不断移动的，所以雄蜉蝣的速度可以计算为：
$$v_{ij}^{t+1}=v_{ij}^t+a_1{e}^{-\beta r_p^2}(pbes{t}_{ij}-x_{ij}^t)+a_2{e}^{-\beta r_g^2}(gbes{t}_{ij}-x_{ij}^t)\text{\hspace{1em}(7)}$$

式中$v_{ij}^t$是第$t$此迭代，蜉蝣$i$在维度$j=1,...,n$上的速度, $x_{ij}^t$是是第$t$此迭代, 蜉蝣$i$在维度$j$上的位置，$a_1$和$a_2$是正吸引常数，分别用于缩放认知和社会部分的贡献，通俗来讲就是当前个体及最优个体对当前飞行速度的影响程度。 $pbes{t}_i$ 是蜉蝣$i$访问过的最优位置（历史最优位置），$gbest$为群体最优个体位置。考虑最小化问题，下一时间步$t+1$的个体最优位置$pbes{t}_{ij}$可计算为：

其中$f:{\mathbb{R}}^n\to \mathbb{R}$ 为目标函数，第$t$的全局最优位置$gbest$定义为：
g b e s t ∈ { p b e s t 1 , p b e s t 2 , . . . , p b e s t N ∣ f ( g b e s t ) } = m i n { f ( p b e s t 1 ) , f ( p b e s t 2 ) , . . . , f ( p b e s t N ) } (4) gbest \in \{pbest_1, pbest_2, ..., pbest_N | f(gbest)\} = min\{f(pbest_1), f(pbest_2), ..., f(pbest_N)\} \tag{4} gbest∈{pbest1​,pbest2​,...,pbestN​∣f(gbest)}=min{f(pbest1​),f(pbest2​),...,f(pbestN​)}(4)

其中$N$是种群中雄性蜉蝣总数。$\beta$是固定的可见度系数，用于限制蜉蝣的可见度，而$r_p$和$r_g$分别是$x_i$与$pbes{t}_i$, $x_i$与$gbest$之间的笛卡尔距离：
$$||x_i-X_i||=\sqrt{\sum _{j=1}^n(x_{ij}-X_{ij}{)}^2}\text{\hspace{1em}(5)}$$

其中$x_{ij}$为蜉蝣$i$的第$j$个元素，$X_i$对应$pbes{t}_i$或$gbest$.

种群中最优蜉蝣继续表演它们特有的上下婚礼舞蹈，这对算法的功能是很重要的。因此，最优蜉蝣必须不断改变它们的速度：
$$v_{ij}^{t+1}=v_{ij}^t+d\ast r\text{\hspace{1em}(6)}$$

其中$d$为婚舞距离系数，$r$ 为[-1,1]范围内的随机数。通过这种上下移动就为算法引入了随机元素。

2.2 雌性蜉蝣的移动

不同于雄性蜉蝣，雌性蜉蝣并不会成群结队，而是飞向雄性以进行繁殖。假设$y_i^t$,是在$t$次迭代，雌性蜉蝣$i$在搜索空间中的当前位置,那在当前位置上增加一个速度$v_i^{t+1}$就可以改变这个位置,即：
$$y_i^{t+1}=y_i^t+v_i^{t+1}\text{\hspace{1em}(6)}$$

尽管吸引过程是随机的，但为了简便可以将其视为确定过程，也就是说，可以根据其适应度值，最优雄性吸引最优雌性，第二优雄性吸引第二有雌性，以此类推。那么考虑最小化问题时，其速度按如下计算：
$$v_{ij}^{t+1}=\{\begin{array}{ll}{v}_{ij}^t+a_2{e}^{-\beta r_{mf}^2}(x_{ij}-y_{ij}^t),& \text{if f(yi)>f(xi)}\\ v_{ij}^t+fl\ast r,& \text{if f(yi)≤f(xi)}\end{array}$$
其中，$v_{ij}^t$是第$t$次迭代，雌性蜉蝣$i$在维度$j=1,...,n$上的速度, $y_{ij}^t$是第$t$次迭代,雌性蜉蝣$i$在维度$j$上的位置,$a_2$ 是正吸引常数，$\beta$是固定可见度常数, $r_{mf}$ 是雄性和雌性之间的笛卡尔距离, $fl$是随机游走系数, 当雌性没有被雄性吸引时使用，此时雌性随机飞行，且$r$是$[-1,1]$范围内的随机值。

2.3 蜉蝣交配

交叉算法表达了两只蜉蝣之间的交配过程：从雄性种群和雌性种群中分别选择一个父代，选择方式同雄性吸引雌性的方式相同。特别地，选择可以是随机的也可以是基于适应度值的，如果是后者，则最优雌性与最优雄性交配，第二优之间交配，以此类推。交叉的结果就是生成如下两个子代：

$$\begin{array}{r}offspring1=L\ast male+(1+L)\ast female\\ offspring2=L\ast female+(1-L)\ast male\end{array}$$

其中$male$是雄性父代，$female$是雌性父代 ， $L$是特定范围内的随机值，子代初始速度为0。

3. 算法流程

蜉蝣算法流程如下：

Step1. 初始化雌性蜉蝣，雄性蜉蝣，设定参数。

Step2. 计算适应度值，并且排序，获取pbest和gbest。

Step3. 依次跟新雄性蜉蝣，雌性蜉蝣位置，并且交配。

Step4. 计算适应度，并更新pbest和gbest

Step5. 是否满足停止条件，如果满足则退出，输出结果，否则重复执行Step3-5。

更细节的流程为：
目标函数$f(x),x=(x_1,...,x_d{)}^T$

初始化雄性蜉蝣种群 $x_i(i=1,2,...,N)$ 及速度 $v_{mi}$

初始化雄性蜉蝣种群 $y_i(i=1,2,...,M)$ 及速度 $v_{fi}$

评估各蜉蝣适应度值

找到全局最优解 $gbest$

Do while 未满足终止准则

     ~~~~     更新雄性和雌性的速度和解

     ~~~~     评估解

     ~~~~     蜉蝣交配

     ~~~~     评估子代

     ~~~~     随机将子代分为雄性和雌性

     ~~~~     更新 pbest 和 gbest

end while

4. 算法特点

总体而言，MA算法的结构与粒子群算法有些相似，不过作者将部分参数设置为自适应，这就在处理复杂问题时很吃香。虽然MA算法性能优异，但不得不说，每经过一次迭代，适应度的计算次数过多，所以当以适应度计算次数为评价标准时，MA算法不一定能表现得很优异。值得一提的是，代码中额外引入了一个惯性权重，这是在原文中没有的。

References

[1] Zervoudakis K, Tsafarakis S. A mayfly optimization algorithm[J]. Computers & Industrial Engineering, 2020, 145: 106559.

[2] 智能优化算法（源码）-蜉蝣算法（Mayfly Algorithm，MA)

[3] 第三十九弹——蜉蝣算法